Optimal Use of Multi-Sensor Data for Precision Agriculture: Sentinel-1 and Sentinel-2 Fusion in Crop Classification
Notice bibliographique
Résumé
Effective land monitoring and land use classification are critical for proper management of resources especially in heterogeneous and climate diverse areas. Consequently, this study seeks to test the hypothesis that the integration of Sentinel-1 radar and Sentinel-2 optical data enhances the degree of discrimination of crops in major farming areas of Morocco from the years 2020 to 2022. A three-dimensional coordinate system was established which included a series of processing stages that started with cloud masking, scaling of reflectance, and radar optical integration. At each year’s end, temporal averages and composites were created using selected Sentinel-2 spectral bands B2, B3, B4, B8, B11, B12 and Sentinel-1 VV & VH dual polarization channels. Ground truth samples from four major crops; Baley, Crop, D. Wheat and S. Wheat were used as the training set in a Random Forest classifier. The results for the three agricultural zones indicated high overall accuracies greater than 80% for each year, with the application of a combination of radar and optical data sets contributing greatly towards the ability to differentiate the crops located in cloud folded and spectral overlapping areas. Many classes had high consumer accuracy (≥70%) levels, yet several crops, like D. Wheat, had poor producer accuracy, possibly due to the uneven distribution of ground truth data sets. The small amount of Kappa coefficients between 0.50 and 0.60 also indicate moderate agreement similar to the validation data and thus more accurate ground truth and class targeted feature detection is needed. This study emphasizes the relevance notes of the multi-sensor data fusion technology for crop monitoring and also landcover classification which contributes to precision farming and resources management. Future work will focus on including temporal characteristics as well as state-of-the-art machine learning techniques to solve class balance issues and improve classification performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».